Python tips: 讓Unicode變簡單

對於我這個從.NET過來的人，對python的str和unicode會感到非常不適應。經常在一些常用的地方遇到編碼異常問題。如儲存字串到文本中，是要先編碼還是直接儲存呢？字串是str還是unicode呢？儲存字串到資料庫是直接儲存str又或是先將unicode編碼得到的str呢？
好多個問號，這都是我個python初學者碰到的問題。在嘗試多次痛苦後，總算有了一些思路。原來unicode早已在python實現的很好，只是我使用不當罷了。

一個很關鍵的並且要常記住的，就是代碼中所有字串都統一使用unicode，而不是str。這樣，自己就能很清楚要處理的字串類型了。請記住，是所有，任何地方。
例如：
>>> s1 = u'%s歡迎您!' % u'北京'
>>> s1
u'\u5317\u4eac\u6b22\u8fce\u60a8\uff01'
>>> print s1
北京歡迎你!

若像這樣，就會拋異常：
>>> s2 = '%s歡迎您!' % u'北京'
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'ascii' codec can't decode byte 0xe6 in position 2: ordinal not in range(128)
由UnicodeDecodeError可猜想得到，解析器嘗試使用ascii對'%s歡迎您!'進行解碼，由於'%s歡迎您!'實際是使用utf-8編碼的（這是我系統終端預設的），所以使用ascii解碼肯定會錯，只要如下，就可以重現這個異常了：
>>> s2 = '%s歡迎您!'.decode('ascii')
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'ascii' codec can't decode byte 0xe6 in position 2: ordinal not in range(128)

分清encode和decode。str --> decode(c) --> unicode, unicode --> encode(c) --> str，其中編碼類別型c必須相同。

將unicode字串寫入檔案前先使用特定編碼對其進行編碼(如unicodestr.encode('utf-8'))得到str，保證寫入檔案的是str；從檔案讀取到str，然後對其進行解碼(如encodestr.decode('utf-8'))得到unicode。這是互逆的兩個操作，編碼類別型一定要一致，否則會出現異常。

自己支援了unicode，但是你團隊的其他人是否都使用unicode呢？你使用的其他模組是否也使用unicode呢？這個一定要清楚的，不然同樣會出現許多因為編碼問題的異常。

好了，晚了，隨便寫了點，大家晚安，2008.8.1，本世紀的第一次日全蝕，你要看嗎？

Technorati 標籤: python, unicode, str